Geri Dön

Next-generation cell type annotation: Integrating NLP and ML techniques for enhanced scRNA classification

Yeni nesil hücre tipi anotasyonu: Geliştirilmiş scRNA sınıflandırması için NLP ve ML tekniklerinin entegrasyonu

PDF İndir

  1. Tez No: 897390
  2. Yazar: ORÇUN SAMİ TANDOĞAN
  3. Danışmanlar: YRD. DOÇ. DR. AYBAR CAN ACAR, DOÇ. DR. CAN ÖZEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoteknoloji, Biotechnology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoteknoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Moleküler biyoloji araştırmalarında makine öğreniminin uygulanması, biyomoleküler evreni verimli bir şekilde keşfetmek için esas haline gelmektedir. Araştırmamız, tek hücreli RNA dizileme (scRNA-seq) verilerinde otomatik hücre tipi anotasyonunu optimize eden bir yöntemler dizisi geliştirerek biyoteknoloji alanına katkıda bulunmayı amaçlamaktadır. Tezimizde, doğal dil işleme (NLP) ve makine öğrenimi yöntemlerini birleştiren yeni bir yaklaşım oluşturduk. Yönetimler dizimizin ilk kısmında, gen işaretçilerinin(gene symbol), metin gömülmelerini(text embedding) oluşturmak için BERT, GPT2 ve GPT3 gibi gelişmiş dil modellerinden tokenlaştırıcıları kullanıyoruz. Bunun akabinde otokodlayıcıların (autoencoder), kodçözücü (encoder) kısımlarını kullanarak veri boyutunu düşürüyoruz. Bu veriyi, gen ekspresyon verisiyle birleştirerek makine öğrenmesi metodlarıyla tahmin modelleri üretiyoruz. Yöntemimizi değerlendirmek için İnsan Gen Atlası'ndan PBMC veri setini kullanmaktayız. Sonuçlarımız, oluşturduğumuz yöntemler dizisinin, standart yaklaşımlara kıyasla hücre tipi anotasyon doğruluğunu önemli ölçüde artırdığını göstermektedir. Bu çalışma, biyoteknolojiye yeni bir hesaplama aracı kazandırarak hücresel çeşitlilik ve işlev konusundaki anlayışımızı potansiyel olarak ilerlemektedir.

Özet (Çeviri)

Implementing machine learning in molecular biology research is essential for efficiently exploring the biomolecular cosmos. Our research aims to contribute to biotechnology by developing a methodology that optimizes automated cell-type annotation in single-cell RNA sequencing (scRNA-seq) data. In our thesis, we created a novel approach that combines natural language processing (NLP) and machine learning methods. In the first part of our methodology, we use tokenizers from advanced language models such as BERT, GPT2, and GPT3 to create text embeddings of gene symbols. We then reduce data dimensionality using the encoder parts of autoencoders. We combine this data with gene expression data to produce prediction models using machine learning methods. We use the PBMC dataset from the Human Cell Atlas to evaluate our method. Our results show that our methodology significantly improves cell type annotation accuracy compared to standard approaches. This study potentially advances our understanding of cellular diversity and function by providing a new computational tool for biotechnology.

Benzer Tezler

  1. Tez No

    990678

    Dekonvolüsyon yöntemi ile akciğer kanseri hücre türü kompozisyonunun belirlenmesi ve hasta prognozunun incelenmesi

    Determination of lung cancer cell type composition and patient prognosis analysis using deconvolution method

    ÖZLEM TUNA

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    BiyomühendislikEge Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DR. YASİN KAYMAZ

  2. Tez No

    474974

    Tools and techniques for assessing functional relevance of genomic loci

    Genomik lokasyonların fonksiyonel ilgililiklerinin değerlendirilmesi için araçlar ve teknikler

    BURÇAK OTLU SARITAŞ

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA CAN

    PROF. DR. SÜNDÜZ KELEŞ

  3. Tez No

    940698

    Comparison of intron 7 targeted next generation antisense xeno nucleic acid (XNA-ASO) approaches to increase SMN2 gene expression and cell viability in spinal muscular atrophy (SMA) disease in SMA fibroblast type 2 and SMN1 knockout cells

    Intron 7'yi hedef alan yeni nesil antisense xeno nükleik asit (XNA-ASO) yaklaşımlarının, SMA fibroblast tip 2 ve SMN2 knockou hücrelerindeki spinal musküler atrofi (SMA) hastalığında SMN2 gen ekspresyonunu ve hücre canlılığını arttırmak için karşılaştırılması

    ÖZÜM KILIÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    GenetikÜsküdar Üniversitesi

    Moleküler Biyoloji Ana Bilim Dalı

    DOÇ. DR. CİHAN TAŞTAN

  4. Tez No

    974530

    Multidisciplinary approaches in developing immune-evasive β-cell replacement therapies for type 1 diabetes

    Tip 1 diyabet için immün sistemden kaçan β-hücre tedavilerinin geliştirilmesinde multidisipliner yaklaşımlar

    İSMAİL CAN KARAOĞLU

    Doktora

    İngilizce

    İngilizce

    2025

    BiyomühendislikKoç Üniversitesi

    Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. SEDA KIZILEL

  5. Tez No

    947596

    AI-enhanced dynamic preemptive resource allocation in next generation cellular networks

    Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi

    EGE ENGİN

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

Geri Dön